企业AI中的劳动力数据盲区
译文 AI 逐段翻译
AI 与劳动力转型 • 劳动力智能与人员分析 • HR 战略与业务影响
企业 AI 中的劳动力数据盲点
对于许多组织来说，AI 投资的回报仍然难以实现。问题在于劳动力数据是碎片化的、缺乏治理的，并且按设计被隔离。这是 AI 投资回报率差距背后的结构性危机。
作者：Kelvin Chen
8M 阅读
热门话题
企业 AI 的智能程度取决于其推理所依据的数据。当劳动力数据碎片化、过时或缺乏治理时，AI 系统在 HR 问题上表现不佳，并在财务、运营和战略方面产生有缺陷的答案。
孤岛效应一直是 HR 的问题，但随着 HR 以外的人员在决策过程中被要求利用劳动力数据，它迅速成为整个组织的问题。这就是企业 AI 中的 HR 数据盲点，也是迄今为止未能实现预期投资回报率的原因。
HR 数据管理的现状
随着世界迅速走向 AI 采用，领导者期望立竿见影的效果，但这项技术带来的结果却滞后。
根据 McKinsey的保守估计，10 家公司中有 8 家在使用生成式 AI，但几乎同样比例的公司报告称对底线没有显著影响。 Deloitte 的 CEO 系列调查发现，96% 的 CEO 正在积极实施或计划部署生成式 AI，但企业范围内的价值仍有待观察。
这种投资无果的矛盾现象普遍存在。历史上，领导层会归咎于技术不足，但在当今环境下并非如此。
这种缺乏结果的情况通常不是 AI 模型本身造成的。这是由“孤岛效应”定义的结构性危机的结果，即工具在过时的历史数据和基础设施上自主运行，导致错误的业务决策。
残酷的事实？这就是企业 AI 表现不佳的原因
传统的 HR 数据管理技术是孤立的。组织历史上大量投资于一个业务领域的一个工具，而没有跨职能连接系统。这在很大程度上是为了控制风险：如果系统不连接，一个系统的漏洞就不会级联到另一个系统，敏感数据保持在定义的访问边界内。
像 SAP 或早期版本的 Oracle 这样的系统就是为 HR 治理而设计的此类单体系统。它们是高度集成但结构僵化的，数据存在于不同的架构中。人们的看法是，分离的 HR 数据更安全，因为它包含高度敏感的信息。在使用这些单体系统的企业组织中，HR 模块（人力资本管理）通常使用自己的数据模式，与财务或供应链模块不同。
虽然这种基础设施在跨地区或职级执行复杂组织规则的事务时确保了高度一致性，但它也按设计创建了数据孤岛。数据点独立存在，并且不会跨职能影响决策，因为合并并不容易或直接。
然而，当企业 AI 使用许多数据点来三角验证答案时，其价值会复合增长——而劳动力数据对于提供准确的业务洞察至关重要，因为它是劳动力的确切背景。
Salesforce 报告称，85% 的 IT 领导者认为此类集成问题是采用 AI 的主要障碍。维持单体现状的成本就是业界研究人员所称的“孤岛税”，即仅仅因为数据组织不善或不可引用，进展就停滞不前。
劳动力数据是最难治理的数据
劳动力数据很难在 AI 技术栈中操作，因为需要治理的分散表面和来源众多。历史上，这些 HR 数据存在于许多不同的系统中，在不发生安全漏洞的情况下连接相关数据非常复杂。
随着组织采用新系统，他们往往缺乏对员工相关信息进行人工监督和访问治理的中央控制点。后果已经可见；我们听说许多组织在发现员工将敏感劳动力数据加载到通用 LLM 中后，悄悄退出 AI 部署——这产生了不受治理、不可靠的答案，没有审计跟踪，也没有问责制。
组织必须准备好保护这些高风险 AI 系统，否则将面临财务后果。最典型的例子，也是已经影响许多全球组织的例子：欧盟 AI 法案要求对高风险 AI 系统进行人工监督。
不遵守这些要求可能使组织面临高达 1500 万欧元或全球年营业额 3% 的罚款。随着不合规使用劳动力 AI 的财务处罚增加，忽视这些结构性 HR 治理问题不再是可以选择的。
这种级别的集成劳动力数据治理一直是采用 AI 的主要挑战。但随着所有行业现在被迫以 AI 的速度运营，这种级别的 HR 治理不能再被忽视。
相反，应该将一致的工作流程和数据治理部署为战略推动因素，为领导团队提供负责任地扩展 AI 计划所需的数据信心。
HR 数据管理的行业挑战
无论哪个行业，分散系统和断开的 HR 数据的影响都是显而易见的。考虑以下三个核心行业的常见示例：
医疗保健
人员配置系统通常与设施和认证级别数据脱节。这导致手术被预订时，没有合适的团队在场执行，浪费了设施和团队的时间和金钱。医疗行业还经历着前所未有的职业倦怠水平，但如果离职面谈数据没有整合到劳动力分析中，几乎不可能对留住人才的改进做出有意义的改进。洞察根本不可见。
在引入Visier Workforce AI之前， CommonSpirit Health，美国最大的非营利性医疗系统之一，一直在使用孤立的、人工的HR报告，这使得几乎不可能揭示有意义的劳动力洞察。这导致领导者缺乏将留任结果与成本联系起来所需的数据，也无法就劳动力风险进行有根据的对话。
金融服务
根据 KPMG的数据，57%的并购以失败告终，在交易后摧毁了股东价值。没有整合的劳动力智能，公司面临失去仅存于资深员工（离职）中的关键知识的风险，而如果没有完整的劳动力图景，就无法减轻这种风险。
一家全球金融情报公司在一次重大收购带来即时整合复杂性时学到了这一点。领导层需要在做出永久性决策之前比较结构、模拟组合并评估成本影响，但脱节的系统无法支持这种分析水平。
在他们能够使用Visier将劳动力规划、组织设计和薪酬数据统一到一个单一环境之前，他们正依赖昂贵的顾问和猜测，恰好在清晰度最重要的时刻。
制造业
在制造业，劳动力数据和运营数据很少存在于同一处。如果没有统一的视图，劳动力成本与健康安全风险脱节，过度工作或人手不足的班次未被发现，能力规划在没有谁实际可用以及原因可见的情况下制定。
Visier的一位制造业客户在疫情后人员流失成为日益严重的危机时亲身发现了这一点。他们的人员分析团队被困在应对一次性请求中，无法识别根本原因。答案埋藏在两个脱节系统之间的差距中：强制性加班不成比例地压在一线提供者身上，推动自愿离职率达到历史新高——而没有人能看到，因为连接这些点的数据根本不存在。
通过Visier，数据得到统一，问题变得可见。他们对所有加班实施了提前通知要求，可衡量地降低了离职率。
连接劳动力数据：AI劳动力转型的乘数
当劳动力数据被治理和连接时，它不再是一种负担，而成为组织进行的每一次其他AI投资的乘数。已经进行这种架构转变的组织已经看到了成果。
从报告积压到战略能力：Experian
Experian就是当孤立的、手动数据流程被统一分析环境取代时可能实现什么的明确例子。在Visier之前，他们的人员分析团队是一个深陷Excel和Oracle OBI-EE中的报告功能，处理着严重的数据质量问题，且战略能力有限。
实施后，他们几乎一夜之间将报告工作量削减了70%，并将该能力重新定向到留任风险规划、DEI计划，以及消除一个每年至少耗费3万美元维护的昂贵内部归因模型。
从劳动力指标到跨职能智能：Unisys
Unisys使用Visier将劳动力数据与Salesforce和ServiceNow的运营数据连接起来，进一步推进了整合。最初作为劳动力指标分析的事情演变成了跨职能智能层。
这使他们能够按地区对表现最佳的技术人员进行排名，探索销售任期与绩效之间的关系，并为战略劳动力部署建模生活成本差异。曾经孤立在HR中的劳动力数据成为整个业务中收入和效率决策的直接输入。
HR数据治理是您最高杠杆的AI投资
可审计且连接的数据是企业高ROI智能的基础层。它终于允许组织将劳动力规划从成本中心活动转变为利润驱动活动，产生可衡量的价值，然后可以重新分配到高利润业务部门的投资中。
同样关键的是，通过将劳动力、财务和运营数据统一到一个单一环境中，领导者可以快速建模多种场景，并最终开始做出更好的业务决策，并且以当前的变化速度进行。
底线是，劳动力智能不再是一个功能专业；它是企业范围内AI成功的货币和竞争优势。纳入劳动力数据是一个架构决策，影响着企业组织将进行的每一次其他AI投资的ROI。
使用Visier Workforce AI解锁准确、值得信赖的答案，以推动真正的业务影响。
因为企业AI不是模型问题，而是数据问题。了解Visier如何通过治理、统一的方法解决它，为AI的速度而构建的劳动力数据。
热门主题
推荐资源
HR技术中的AI就绪数据问题
Databricks Lakehouse的基本人员数据层
HR技术领导者：关键见解与趋势
获取新闻通讯
立即订阅